MétaCan
Menu
Retour à la cohorte
Enregistrement W2160662971 · doi:10.3828/tpr.74.3.3

Lessons from America: <i>The role of Business Improvement Districts as an agent of urban regeneration</i>

2003· article· en· W2160662971 sur OpenAlexaboutno aff
Martin Symes, Mark F. J. Steel

Notice bibliographique

RevueTown Planning Review · 2003
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHousing Market and Economics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLegislationBusinessScope (computer science)Local governmentStrengths and weaknessesSmall businessScale (ratio)CONTESTGovernment (linguistics)MarketingPublic administrationPolitical scienceComputer science

Résumé

récupéré en direct d'OpenAlex

The government intends to bring out new legislation in 2004 to enable cities to set up Business Improvement Districts (BIDs). These were introduced in Canada in the 1970s but have been most commonly adopted in the USA during the 1980s and 1990s. There are wide variants in terms of scale, budget, role, power and mission, and so BIDs have the advantage of being easily tailored to fit local conditions. In essence they represent a voluntary tax that local businesses impose on themselves, administer themselves and spend themselves. The money is typically spent on combating crime, providing a clean, attractive environment and promoting the local economy of the neighbourhood. BIDs are primarily though not exclusively found in retail areas where businesses have a clear interest in improving the appearance and safety of an area. This paper highlights what can be learned from the American experience of BIDs in terms of scale, scope, strengths, weaknesses and lessons for the implementation of BIDs in the UK. The paper uses secondary research and is the result both of findings derived from American analysis of BIDs and from detailed reading of the websites of a cross section of BIDs across the USA.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,186
Score d'incertitude au seuil0,369

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0020,004
Communication savante0,0060,005
Science ouverte0,0010,002
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,033
Tête enseignante GPT0,245
Écart entre enseignants0,212 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations56
Publié2003
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTown Planning ReviewMême sujetHousing Market and EconomicsTravaux en français237 207